关键词：故障诊断;残差神经网络;门控循环神经网络;深度学习;化工过程
摘 要：为了提高化工过程故障诊断的准确性和可靠性，提出了一种基于改进ResNet-GRU神经网络的化工过程故障诊断方法。首先，采用预激活的方式引入改进的ResNet模型，实现对输入数据的特征提取，从而增强了模型对关键特征的捕捉能力。其次，利用GRU模型对提取的特征进行时序建模，以更好地捕捉故障信号的动态变化。为了评估所提方法的有效性，实验使用TE化工过程数据集，并利用混淆矩阵进行结果分析，改进的ResNet-GRU模型平均故障诊断率可达到95.16%，与其他深度学习方法相比，该方法在故障诊断率和可靠性方面表现出显著的提升。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取